TORQ Industrial: Control Tower de Performance Industrial e Supply Chain
Tela 1
1 de 7
Resumo
Projeto de Business Intelligence em Power BI que integra produção, OEE, downtime, qualidade, custos, estoque, fornecedores e atendimento ao cliente em uma interface de decisão para gestores industriais. Em vez de apenas exibir indicadores, o painel mostra o que está fora do esperado, quanto custa e o que deve ser atacado primeiro.
Contexto e objetivos
A TORQ Industrial é uma fabricante brasileira fictícia de motores elétricos, bombas, redutores, painéis de controle e válvulas, com múltiplas plantas, linhas, turnos e fornecedores. O desafio era transformar uma base operacional de dois anos, em formato simples, em um modelo analítico que respondesse a perguntas de gestão. Os objetivos foram: Responder em poucos segundos se a fábrica está bem, onde está o maior problema e qual o impacto. Separar disponibilidade, performance e qualidade no OEE, para mostrar qual componente reduz o indicador. Priorizar perdas por causa, com Pareto e custo da não qualidade. Identificar riscos de supply chain que possam parar a produção ou afetar o cliente. Ligar problemas industriais a impactos em produção, tempo e dinheiro.
Insights e descobertas
Disponibilidade é o principal gargalo do OEE. Na decomposição, a perda de tempo de operação pesa mais que performance e qualidade nas linhas com pior indicador. Poucas causas concentram a maior parte das paradas. O Pareto mostra que algumas causas explicam a maior parte das horas perdidas, o que orienta o foco de manutenção. Qualidade tem custo concentrado. A combinação de linha e causa de defeito revela pontos específicos de refugo, mais úteis que uma média geral de scrap. Risco de supply afeta a produção de forma seletiva. Alguns fornecedores e matérias-primas combinam lead time elevado, atraso e estoque abaixo da segurança. Esses itens aparecem primeiro nas exceções. Custo por unidade boa mostra deterioração que a produção total esconde. Em alguns períodos, o volume se mantém enquanto o custo por unidade boa sobe.
Resultado e impacto
O projeto demonstra capacidade de transformar dados operacionais em priorização. O principal resultado é a Control Tower, que permite a um gestor identificar em uma tela a situação da fábrica, a tendência, a exceção mais relevante e o custo associado. No campo de simulação, o painel permite testar cenários de redução de downtime e de scrap. Esses resultados são apresentados como potencial estimado, identificados como SIMULAÇÃO e nunca misturados aos dados realizados. Ou seja, o projeto mostra como a decisão pode ser avaliada, sem afirmar ganhos que ainda não ocorreram. Como entrega de portfólio, o resultado inclui modelo estrela, medidas documentadas, quatro páginas com navegação, bookmarks, field parameters, tabelas ricas, documentação completa e validação por schema e por DAX. Ficaram como pendências registradas no README a análise de desempenho com o Performance Analyzer e a verificação do layout em celular.
Metodologia e abordagem
trabalho começou com uma auditoria da base: período, granularidade, chaves, nulos, duplicidades e análises que os dados não sustentam. Com isso, definiu-se um modelo estrela, com uma tabela fato de ordens de produção e dimensões de calendário, produto, linha, turno, fornecedor, matéria-prima, cliente e causas de parada e defeito. Dimensões sem uso real foram descartadas. As medidas ficaram centralizadas em uma tabela exclusiva, organizadas por pastas de exibição e documentadas em um dicionário. O OEE foi decomposto em disponibilidade, performance e qualidade, com meta de 85% tratada como parâmetro gerencial, e não como dado observado. As exceções e o índice de prioridade foram construídos com normalização dos componentes e fórmula documentada. Na interface, a navegação ficou em quatro páginas: Control Tower, Produção e Eficiência, Qualidade e Custos, e Supply Chain. Filtros ficaram em um painel recolhível, visões de análise foram controladas por bookmarks, e tabelas com barras de dados e sparklines substituíram gráficos que não acrescentavam decisão. Cores seguem tokens de tema com semântica fixa: verde para meta, amarelo para atenção, vermelho para crítico e azul para informação. A validação foi feita em duas frentes: os arquivos do relatório passaram pelos schemas oficiais do PBIR, e as medidas foram consultadas via DAX no Power BI Desktop, com conferência de totais e divisões por zero.
Desafios e aprendizados
Limites da base: não havia metas, timestamps de parada nem pedidos de compra detalhados. Perdas que não podiam ser convertidas em unidades com método defensável foram medidas em horas ou impacto explicitamente estimado. Equilíbrio entre quantidade e clareza: a primeira versão tinha visuais demais. A solução foi reduzir o número de elementos, usar segmentação dinâmica e concentrar detalhes em tooltips e tabelas. Medidas dinâmicas: títulos e formatos que mudam conforme a seleção exigiram cuidado com contexto de filtro, escapes em formato dinâmico e medidas dedicadas para sparklines. Organização do projeto: a geração automatizada dos arquivos do relatório exigiu validação de schema e cuidados com indentação e codificação de nomes. Aprendizado principal: um indicador só é útil quando mostra o componente que o explica. Decompor o OEE e ligar a exceção à causa foi mais valioso que aumentar o número de gráficos.
Projeto com dados fictícios/demonstrativos.
Quer uma solução semelhante para a sua empresa?
Conte qual decisão precisa de apoio. O formulário já leva a referência deste projeto.
Quero uma solução semelhante